"Enter"a basıp içeriğe geçin

Sinir Ağlarının bir etkinliğin hayal edilmesi sırasında tahmin Ettiği Hareketler

Yapay sinir ağları, bir etkinlik anında veya etkinliğin hayal edilmesi sırasındaki beyin aktivitelerini çözmektedir.

Sinir Ağları

Artificial neural networks solve brain activity at the time of an activity or during imagination.

Arama motorları için bilgi filtreleme, bir masa oyununda rakip olarak bulunma ya da fotoğrafların tanınması: Yapay zeka verilen örnekler ve daha nicelerinde insan beynini “sollamıştır”. Dr. Tonio Ball, özel sinir bilim öğretim görevlisi, önderliğindeki BrainLinks-BrainTools ekibi, Human Brain Mapping bilim dergisinde önemli bir gelişmeden bahsettiler. Gelişme ise insan beyninden “electroencephalogram” (EEG) ile ölçülen sinyallerin, bir kendini kendine öğrenen algoritma tarafından nasıl çözümlendiği hakkındaydı.

Information filtering for search engines, rivalry in a board game, or recognition of photos: Artificial intelligence eleme overtaken rakip the human brain in examples and more. Dr. The BrainLinks-BrainTools team, led by Tonio Ball, a private neuroscientist, talked about an important development in the Human Brain Mapping science journal. The development was about how the signals measured by the ayd electroencephalogram ı (EEG) from the human brain were analyzed by a self-learning algorithm.

Bu sinyallere sadece insanın yaptığı hareketler değil, el ve ayaklarıyla yapmayı sadece düşündüğü hareketler ve objeleri hareket ettirmeyi hayal etmeleri de dahil edildi. Algoritmaya çalışma öncesinde herhangi bir karakteristik özellik kümesi verilmemesine rağmen, önceden tanımlanmış sorunları çözen geleneksel sistemler gibi hassas ve hızlı çalışmaktadır.

They were included not only in human movements, but also in their dreams of moving objects and movements that they thought they would do with their hands and feet. Although the algorithm is not given any set of characteristics prior to working, it works as fast and precise as traditional systems that solve predefined problems.

Makine ve insanların etkileşim içinde olduğu sistemlere ilgi büyük ve giderek artmaktadır. Birkaç örnek vermek gerekirse: Freiburg Üniversite Hastahanesinde, epilepsi nöbetlerinin erken teşhisi için makineler kullanılmaktadır. Bir diğer örnekte ise ağır felçli hastaların iletişim yeteneklerini geliştirmek için kullanılmaktadırlar.

The interest in machines and systems that people interact with is growing and growing. To give a few examples: machines are used for early diagnosis of epilepsy seizures at the University Hospital of Freiburg. In another example, they are used to improve the communication skills of patients with severe stroke.

Bilgisayar bilimcisi Robin Tibor Schirrmeister, “Yazılımımız beyinden ilham alan ve fonetik sesler gibi doğal sinyallerin çözülmesinde en çok yardımı dokunan model baz alınarak geliştirilmiştir.” demektedir. Bahsedilen yapay sinir ağı projenin kalbini oluşturmaktadır. Schirrmeister, “Programdaki en mükemmel şey, bizim herhangi bir şekilde ön tanımlı karakteristik özellik vermemizin gerekmemesidir. Bilgiler her bir katmanda bir diğer katman için işlenir. Sistem belirli davranış modellerini, çeşitli hareketlerden tanıyıp ayırt etmeyi öğrenmektedir.” sistemi bu şekilde açıklamaktadır. Model, insan vücudundaki sinaps hücreleri arasındaki sinapslardan gelen elektrik sinyallerinin hücresel çıkıntılardan hücre çekirdeğine ve tekrar merkeze yönlendirilmesine dayandırılmaktadır.  Schirrmeister bir başka yorumunda da, “Teoriler on yıllardır konuşuldu ve sonunda bir döngü halini aldı fakat günümüzdeki bilgisayar işlem gücüne erişene dek asla bir model halini alamamıştı.”

“Our Software has been developed based on a model that helps most people solve natural signals such as brain-inspired and phonetic sounds.” he says. The artificial neural network mentioned is the heart of the project. “The most perfect thing in the program is that we don’t have to give you any predefined characteristic features, ” schirmmeister said. The data link layer provides reliable, reliable, and reliable delivery of data across a network. The system learns to recognize and distinguish specific behavior patterns from various movements.” this is how it explains the system. The model is based on the electrical signals from the synapse between the synapse cells in the human body to the cell nucleus and back to the center from cellular protrusions.  Schirmmeister also commented, “theories have been talked about for decades and have finally become a loop, but they have never been a model until they reach today’s computing power.”

Geleneksek olarak, modelin sahip olduğu hassasiyet çok sayıda işlem katmanı ile geliştirilmektedir. Bu aynı zamanda “Deep Learning” olarak da bilinmektedir. Bugüne kadar, öğrenme işlemi tamamlandıktan sonra ağın devresini yorumlamak problem arz etmekteydi. Algoritmik süreçlerin hepsi arka planda görünmez bir halde gerçekleşirler. Bu nedenle, araştırmacılar verilen kararları anlayabilmek için kullanacakları kartları elde etmek amacıyla bir yazılım geliştirdiler. Araştırmacılar sisteme istedikleri zaman yeni veri kümeleri ekleyebilmektedirler. Projenin başındaki isim Tonio Ball, “Eski metotların aksine, EEG’nin beyinden kayıt ettiği ham sinyallere doğrudan bir erişim sağlayabiliyoruz. Bu sistem eskisinden daha iyi olmasa bile daha kesin bir sistemdir.” demektedir.

Traditionally, the sensitivity of the model is enhanced by a large number of transaction layers. This is also known as deep learning. To date, after the completion of the learning process, it was problematic to interpret the network’s circuitry. All algorithmic processes take place in the background in an invisible state. For this reason, researchers developed a software to obtain the cards they would use to understand the decisions made. Researchers can add new data sets to the system at any time. “Unlike old methods, we can provide direct access to the raw signals from the EEG’s brain, ” said Tonio Ball, Head of the project. This is a more accurate system, even if the system is not better than before.” he says.

Son olarak gelecek planlarından bahseden Ball, “Geleceğe yönelik vizyonumuz, kullanıcının beyin sinyallerini temel alarak, kişinin çeşitli niyetlerini (amaçlarını) daha güvenilir ve hızlı bir biçimde tanıyan bir kendi kendini eğiten algoritma kurmaktır. Ek olarak, bu tür algoritmalar nörolojik teşhislere de yardımcı olabilirler.”

“Our vision for the future is to set up a self-training algorithm based on the brain signals of the user, which recognizes the person’s various intentions (goals) more reliably and quickly. In addition, such algorithms can also help neurological diagnoses.”

Bülent Gerenler